近年来,遥感影像的数据量越来越大,准确地对遥感影像进行自动化分析成为了迫切需要解决的问题。图像语义分割旨在将输入图像分割成互不重叠的区域并对每个区域打上不同的语义标签,从而得到输入图像的细粒度解析结果。使用图像语义分割技术自动地对遥感影像中的不同区域进行精确划分,有助于重大自然灾害地区受灾道路、桥梁及房屋等目标的准确定位,从而为下一步的灾害救援提供指导。基于深度学习技术,本文主要以提高分割精度和加快推理速度为目标对遥感图像语义分割任务展开研究。本文的主要贡献如下:（1）.针对普通语义分割模型应用到遥感场景中时由两种分类误差带来的低分割精度问题,本文提出了一个全局-局部注意力网络并将其命名为GLANet,GLANet致力于同时消除遥感图像语义分割任务中两种类型的分类误差。以全卷积网络为代表的普通语义分割模型应用在遥感图像语义分割任务中时的分类误差可以被归类为两大类别:大目标中的大面积分类错误和局部边缘分类不准确。之前的基于注意力机制的方法通常致力于捕获丰富的全局上下文信息,这种全局上下文信息对于改善大目标中的大面积分类错误而言效果显著,但目标边缘的错误归类问题依然存在。本文提出的全局-局部注意力网络能够同时对全局上下文和局部边缘细节进行建模。具体而言,GLANet包含两个分支:全局注意力分支和局部注意力分支,两个分支中共计嵌入了三种不同的注意力模块来分别对特征图中空间位置之间、通道之间和边缘区域的语义关联进行建模,随后的融合模块能够将两个分支提取到的信息进行融合以进一步增强网络的特征表示能力。得益于两个分支提取到的丰富的全局上下文信息和局部上下文信息,GLANet能够在遥感图像语义分割任务中同时提高大目标内部和物体边缘的分割精度。本文在Vaihingen和Potsdam两个流行的遥感场景语义分割数据集中进行了详尽的实验,实验结果表明GLANet相比已有工作可以取得更高的分割精度。（2）.针对分割精度高的深度学习模型往往由于模型复杂从而导致推理速度慢的问题,本文提出了一个新颖的双关联蒸馏框架并将其命名为DRD,DRD能够更多地缩减学生模型和教师模型之间的差距从而更好地实现分割精度和推理速度间的权衡。近年来,基于卷积神经网络的语义分割模型已经可以取得很高的分割精度,但是这些高精度的模型非常笨重并且推理速度较低,这限制了它们在现实生活中的应用场景。知识蒸馏是一种在分割精度和推理速度之间实现折衷的有前景的技术。本文对知识蒸馏技术进行研究并提出了一个新颖的双关联蒸馏框架,双关联蒸馏框架同时考虑了特征图中空间位置之间的关联和通道之间的关联,并将这两种类型的关联信息从复杂模型（教师）迁移到紧凑模型（学生）。具体而言,DRD对教师模型的特征图和学生模型的特征图分别计算空间关联图和通道关联图,然后通过最小化对应关联图之间的距离进行特征对齐。由于模型复杂、参数量大,教师模型通常可以学到比学生模型更多的知识,因此教师模型能够捕获到更丰富的空间位置之间的关联以及通道之间的关联。将这些关联信息从教师模型迁移至学生模型能够帮助学生模型在特征分布层面更好地模仿教师模型,从而提高学生模型的分割精度。本文在遥感领域两个广泛采用的基准数据集（Vaihingen数据集和Potsdam数据集）中对双关联蒸馏框架进行了评估,实验结果表明本文提出的框架能够显著提高学生模型的分割精度并且不会产生额外的计算开销。